System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标检测领域,具体涉及一种基于轻量化改进yolov5的物流安全驾驶检测方法及装置。
技术介绍
1、在生产生活中,安全预警已经引起了足够的重视,尤其是在物流领域,由于物流作业环境复杂,叉车事故频繁发生,涉及人身安全,造成很大的危害。主要原因有:叉车驾驶员常因货物太高没有看到前方行人,叉车车体过高存在后方视野盲区;叉车驾驶员疲劳驾驶、注意力不集中及潜在的危险和违规操作。因其安全隐患,叉车在作业过程中亟需安全预警。传统的安全预警方法通过叉车安装基站和声光报警器,作业人员佩戴标签,当人距离接近预警区域时,叉车上的声光报警器发出报警信号。但这种安全预警的方式不能对没有佩戴标签的行人进行安全预警;同时该方法基于360°测量而缺乏准确性,对于远处侧方安全的行人进行错误报警。随着深度学习的发展,基于机器视觉的安全预警成为目标检测算法在复杂物流场景中的重要应用。叉车装载成本低廉的深度相机,通过rgb-d图像实时预测目标的位置和距离以达到安全预警。基于机器视觉的安全预警能够有效地解决传统方法存在的不足并达到叉车辅助驾驶的效果。
2、目标检测主要有两种方法:一阶段方法和两阶段方法。经典的两阶段方法包括r-cnn,fast r-cnn,faster r-cnn。它们是基于区域提议生成的方法,其特点是有较高的检测精度和较慢的检测速度。第二种是一阶段方法,它们没有使用区域提议方法,而直接进行物体分类和边界框回归,如yolo系列、ssd、retinanet。由于它们能够直接生成类别分数和边界框坐标,这些基于一阶段方法的检测器速度能够
技术实现思路
1、针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于轻量化改进yolov5的物流安全驾驶检测方法及装置,来解决以上
技术介绍
部分提到的技术问题,并提出更有效的特征融合方法和轻量化残差结构,使得目标检测模型能够在精度和速度之间有着良好的权衡。
2、第一方面,本专利技术提供了一种基于轻量化改进yolov5的物流安全驾驶检测方法,包括以下步骤:
3、s1,收集得到物流图像数据集,并对物流图像数据集进行标注得到训练数据;
4、s2,构建基于yolov5改进得到的yolo-log模型,yolo-log模型包括输入模块、特征提取模块、特征融合模块和预测模块,其中,输入模块用于对输入的物流图像进行数据增强,特征提取模块为采用ghost bottleneck结构代替yolov5中的c3模块中的bottleneck结构而得到的骨干网络,特征融合模块为采用多尺度特征融合bifpn结构代替yolov5中的panet结构而得到的颈部网络;
5、s3,采用训练数据对yolo-log模型进行训练,得到物流目标检测模型;
6、s4,获取物流图像,将物流图像输入物流目标检测模型,得到目标检测结果,根据目标检测结果进行安全预警。
7、作为优选,步骤s2中采用ghost bottleneck结构代替yolov5中的c3模块中的bottleneck结构,具体包括:将步长为1的ghost bottleneck结构代替yolov5中的步长为1的c3模块中的bottleneck结构;将步长为2的ghost bottleneck结构代替yolov5中的步长为2的c3模块中的bottleneck结构。
8、作为优选,多尺度特征融合bifpn结构中为每个输入添加一个可变学习权重来学习不同特征层的信息,调整不同输入的融合权重,并采用加权融合的方式融合不同分辨率的特征层。
9、作为优选,多尺度特征融合bifpn结构采用以下融合公式:
10、
11、其中,wi表示第i个输入的权重,wj表示第j个输入的权重,ii表示第i个输入,o为输出的融合特征,∈为非零正整数,通过relu函数保证每个wi均满足wi≥0。
12、作为优选,预测模块中采用ciou loss作为边界框的损失函数。
13、作为优选,数据增强包括hsv色域增强、mosaic、镜像翻转、水平翻转。
14、作为优选,目标检测结果包括物流车和/或人的位置和坐标,步骤s4中,根据目标检测结果进行安全预警,具体包括:
15、根据目标检测结果计算物流图像中物流车与人之间的距离,并转换为笛卡尔坐标系中物流车与人之间的间距;
16、根据笛卡尔坐标系中物流车与人之间的间距区分安全预警区域的等级;
17、根据安全预警区域的等级进行安全预警。
18、第二方面,本专利技术提供了一种基于轻量化改进yolov5的物流安全驾驶检测装置,包括:
19、数据收集模块,被配置为收集得到物流图像数据集,并对物流图像数据集进行标注得到训练数据;
20、模型构建模块,被配置为构建基于yolov5改进得到的yolo-log模型,yolo-log模型包括输入模块、特征提取模块、特征融合模块和预测模块,其中,输入模块用于对输入的物流图像进行数据增强,特征提取模块为采用ghost bottleneck结构代替yolov5中的c3模块中的bottleneck结构而得到的骨干网络,特征融合模块为采用多尺度特征融合bifpn结构代替yolov5中的panet结构而得到的颈部网络;
21、模型训练模块,被配置为将采用训练数据对yolo-log模型进行训练,得到物流目标检测模型;
22、检测模块,被配置为获取物流图像,将物流图像输入物流目标检测模型,得到目标检测结果,根据目标检测结果进行安全预警。
23、第三方面,本专利技术提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
24、第四方面,本专利技术提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
25、相比于现有技术,本专利技术具有以下有益效果:
26、(1)本专利技术提出的基于yolov5改进得到的yolo-log模型,通过在模型中使用ghostbottleneck结构代替原来yolov5中的c3结构,并且引入了多尺度特征融合bifpn模块,使得模型可以提取多种不同尺度的特征,从而对图像中的物体进行更准确的识别。
27、(2)本专利技术根据物流场景下的本文档来自技高网...
【技术保护点】
1.一种基于轻量化改进YOLOv5的物流安全驾驶检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于轻量化改进YOLOv5的物流安全驾驶检测方法,其特征在于,所述步骤S2中采用Ghost Bottleneck结构代替YOLOv5中的C3模块中的Bottleneck结构,具体包括:将步长为1的所述Ghost Bottleneck结构代替YOLOv5中的步长为1的C3模块中的Bottleneck结构;将步长为2的所述Ghost Bottleneck结构代替YOLOv5中的步长为2的C3模块中的Bottleneck结构。
3.根据权利要求1所述的基于轻量化改进YOLOv5的物流安全驾驶检测方法,其特征在于,所述多尺度特征融合BiFPN结构中为每个输入添加一个可变学习权重来学习不同特征层的信息,调整不同输入的融合权重,并采用加权融合的方式融合不同分辨率的特征层。
4.根据权利要求3所述的基于轻量化改进YOLOv5的物流安全驾驶检测方法,其特征在于,所述多尺度特征融合BiFPN结构采用以下融合公式:
5.根据权利要求1所述的基于
6.根据权利要求1所述的基于轻量化改进YOLOv5的物流安全驾驶检测方法,其特征在于,所述数据增强包括HSV色域增强、Mosaic、镜像翻转、水平翻转。
7.根据权利要求1所述的基于轻量化改进YOLOv5的物流安全驾驶检测方法,其特征在于,所述目标检测结果包括物流车和/或人的位置和坐标,所述步骤S4中,根据所述目标检测结果进行安全预警,具体包括:
8.一种基于轻量化改进YOLOv5的物流安全驾驶检测装置,其特征在于,包括:
9.一种电子设备,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种基于轻量化改进yolov5的物流安全驾驶检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于轻量化改进yolov5的物流安全驾驶检测方法,其特征在于,所述步骤s2中采用ghost bottleneck结构代替yolov5中的c3模块中的bottleneck结构,具体包括:将步长为1的所述ghost bottleneck结构代替yolov5中的步长为1的c3模块中的bottleneck结构;将步长为2的所述ghost bottleneck结构代替yolov5中的步长为2的c3模块中的bottleneck结构。
3.根据权利要求1所述的基于轻量化改进yolov5的物流安全驾驶检测方法,其特征在于,所述多尺度特征融合bifpn结构中为每个输入添加一个可变学习权重来学习不同特征层的信息,调整不同输入的融合权重,并采用加权融合的方式融合不同分辨率的特征层。
4.根据权利要求3所述的基于轻量化改进yolov5的物流安...
【专利技术属性】
技术研发人员:赵集民,张雪白,
申请(专利权)人:厦门博睿智造物联科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。